【技术实现步骤摘要】
本专利技术涉及信号处理，特别是涉及例如用于图像的压缩感知技术。
技术介绍
1、压缩感知(compressive sensing，简称cs)理论表明，当信号在某些变换域中是稀疏的时候，可以用相对于奈奎斯特定理规定的少得多的测量值来恢复信号，而且概率很高[1]。降低采样率的好处，是可以进行低成本和高效率的数据压缩，从而减轻数据存储和传输带宽的负担。这些固有的优点使它在一系列的应用例如单像素相机、磁共振成像和快照压缩成像中非常理想。
2、在压缩图像感知方法中，对于图像x∈rn而言，采样阶段首先对x进行快速采样，以获得线性随机测量值y＝φx∈rm。在这里，φ∈rm×n是m＜＜n的传感矩阵，且表示cs采样率。在重建阶段，目标是在给定y时推断出原始图像x。由于未知数n的数量远远大于观测数m，这样的反向问题通常是不确定的。为了解决这个问题，传统的cs方法[2]-[4]探索了作为图像先验的稀疏性，通过迭代优化稀疏性规则化问题，在所有测量值y中找到最稀疏的信号。尽管这些方法通常有理论上的保证，并同时继承了可解释性，但它们不可避免地受到迭代计算...
【技术保护点】
1.一种用于适应性地重建压缩感知数据的方法，包括以下步骤：
2.根据权利要求1所述的方法，其中所述重建模块包括用于产生所述卷积特征的卷积神经网络分支，以及用于产生所述变换器特征的变换器分支。
3.根据权利要求2所述的方法，其中所述变换器分支包括第一变换器块和第二变换器块；所述卷积神经网络分支包括对应于所述第一变换器块的第一卷积块、以及对应于所述第二变换器块的第二卷积块；所述对所述感知数据进行渐进式重建的步骤还包括：
4.根据权利要求3所述的方法，其中所述第一卷积块和所述第二卷积块中的至少一个包括多个卷积层，而在该多个卷积层之后配置有...
【技术特征摘要】
1.一种用于适应性地重建压缩感知数据的方法，包括以下步骤：
2.根据权利要求1所述的方法，其中所述重建模块包括用于产生所述卷积特征的卷积神经网络分支，以及用于产生所述变换器特征的变换器分支。
3.根据权利要求2所述的方法，其中所述变换器分支包括第一变换器块和第二变换器块；所述卷积神经网络分支包括对应于所述第一变换器块的第一卷积块、以及对应于所述第二变换器块的第二卷积块；所述对所述感知数据进行渐进式重建的步骤还包括：
4.根据权利要求3所述的方法，其中所述第一卷积块和所述第二卷积块中的至少一个包括多个卷积层，而在该多个卷积层之后配置有渗漏整流线性单元和批规范层。
5.根据权利要求3所述的方法，其中所述第一变换器块和所述第二变换器块中的至少一个是基于窗口的变换器。
6.根据权利要求5所述的方法，其中所述第一变换器块和所述第二变换器块中的至少一个包括多头自我注意模块、以及该多头自我注意模块之后的多层感知器模块。
7.根据权利要求2所述的方法，其中所述重建模块还包括在所述卷积神经网络分支和所述变换器分支之前的输入投影模块；所述对所述感知...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。